Saltar al contenido principal
LibreTexts Español

8.7: Un enfoque iterativo para establecer parámetros

  • Page ID
    151464
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Muchos investigadores utilizan un umbral de detección de artefactos preestablecido para todos los participantes, pero esto no es óptimo. Un umbral que funcione bien para un participante podría no marcar todos los parpadeos para otros participantes y podría llevar a muchas épocas que no parpadean a ser señaladas en otro participante más. Por lo tanto, recomiendo el enfoque interactivo e iterativo que se muestra en la Figura 8.1. Implica comenzar con un conjunto inicial de parámetros de mejor estimación, ver si estos parámetros marcan adecuadamente las épocas que deben ser rechazadas, y luego ajustar los parámetros según sea necesario hasta que esté satisfecho. Como se describirá en la siguiente sección, también implica usar el error de medición estandarizado (SME) para ayudarle a determinar qué parámetros conducen al mejor equilibrio de eliminar ensayos ruidosos sin dejar de tener suficientes pruebas para obtener una buena forma de onda ERP promediada.

    Asegúrese de llevar un registro de los parámetros que elija para cada participante. Recomiendo usar una hoja de cálculo para esto. El script de ejemplo al final del capítulo muestra cómo un script puede leer los parámetros de detección de artefactos desde una hoja de cálculo y luego realizar la detección de artefactos con estos parámetros. Eso evitará que tengas un derretimiento cuando necesites reprocesar tus datos la séptima vez. De hecho, es una buena idea establecer los parámetros manualmente y luego reprocesar inmediatamente los datos usando un script con esos parámetros. Es fácil cometer un error al procesar datos señalando y haciendo clic en una GUI, y este enfoque de seleccionar manualmente los parámetros y luego implementarlos en un script le brinda los parámetros personalizados que desea mientras evita errores de apuntar y hacer clic.

    Me parece que este enfoque iterativo es razonablemente rápido (5-10 minutos para la mayoría de los participantes una vez que se haya practicado bien). Y hace un excelente trabajo al abordar los tres tipos de problemas que se describieron al inicio del capítulo. Sin embargo, otros enfoques pueden ser mejores en ciertos casos.

    Si tienes un pequeño número de ensayos por participante (como en muchos estudios infantiles) o un pequeño número de participantes de gran valor (como en algunos estudios de pacientes lesionados), es posible que desees marcar manualmente épocas de rechazo durante el proceso de inspección visual. Es decir, puede marcar una época de rechazo simplemente haciendo clic en ella (seleccione EEGLAB > Herramientas > Rechazar épocas de datos > Rechazar por inspección; consulte la documentación de ERPLAB para obtener información sobre cómo integrar estas marcas con ERPLAB). Sin embargo, este enfoque es lento e incómodo cuando se tienen más de ~20 pruebas por participante o más de ~20 participantes.

    Otra alternativa es utilizar uno de los algoritmos que establece automáticamente los parámetros para cada participante (e.g., Jas et al., 2017; Nolan et al., 2010; Talsma, 2008). Este enfoque es el más adecuado para conjuntos de datos muy grandes (por ejemplo, >100 participantes), y debe ser seguido por verificación manual para cada participante. Tenga en cuenta que la mayoría de los algoritmos actuales evalúan el nivel de ruido general de los datos en lugar de evaluar la calidad de los datos para la medida específica de amplitud o latencia que utilizará como la principal variable dependiente para probar sus hipótesis científicas (que es lo que hace la PYME). Como resultado, estos algoritmos pueden no seleccionar realmente parámetros óptimos en términos de potencia estadística.

    Figura 8.1. Procedimiento iterativo para establecer parámetros de detección de artefactos. Si no se pueden encontrar parámetros satisfactorios sin exceder el porcentaje máximo permitido de ensayos con artefactos, entonces el participante debe ser excluido de los análisis finales.

    This page titled 8.7: Un enfoque iterativo para establecer parámetros is shared under a CC BY 4.0 license and was authored, remixed, and/or curated by Steven J Luck directly on the LibreTexts platform.